CN111740408A - 一种基于鲁棒随机模型的光热电站最优报价决策方法 - Google Patents

一种基于鲁棒随机模型的光热电站最优报价决策方法 Download PDF

Info

Publication number
CN111740408A
CN111740408A CN202010563779.3A CN202010563779A CN111740408A CN 111740408 A CN111740408 A CN 111740408A CN 202010563779 A CN202010563779 A CN 202010563779A CN 111740408 A CN111740408 A CN 111740408A
Authority
CN
China
Prior art keywords
photo
thermal power
power station
formula
thermal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010563779.3A
Other languages
English (en)
Other versions
CN111740408B (zh
Inventor
朱子琪
李美玲
张文松
祁秋民
马文广
张丽娟
王正辉
李鑫
李洛
李兴
岳超
雷晓玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PowerChina Qinghai Electric Power Engineering Co Ltd
Original Assignee
PowerChina Qinghai Electric Power Engineering Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by PowerChina Qinghai Electric Power Engineering Co Ltd filed Critical PowerChina Qinghai Electric Power Engineering Co Ltd
Priority to CN202010563779.3A priority Critical patent/CN111740408B/zh
Publication of CN111740408A publication Critical patent/CN111740408A/zh
Application granted granted Critical
Publication of CN111740408B publication Critical patent/CN111740408B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Abstract

本发明属于电力技术领域，具体涉及一种基于鲁棒随机模型的光热电站最优报价决策方法。所述的方法包括以下步骤：S1，获取光热电站并网发电的相关技术参数；S2，计算光资源和售电电价一定情况下光热电站的预期收益；S3，利用场景模拟和鲁棒优化的方法处理光热电站响应的不确定因素；S4，考虑光热转换过程的不确定性和市场价格的随机波动性，构建不确定性场景下的光热发电鲁棒性随机优化模型；S5，求解得到不同鲁棒系数和置信水平下光热电站的最优报价曲线，并计算最优报价决策下的预期收益。本发明的优点：(1)综合考虑多种影响因素，结果可靠。(2)有效提高光热电站的预期收益。(3)协调了系统的保守性和经济性。

Description

一种基于鲁棒随机模型的光热电站最优报价决策方法
技术领域
本发明属于电力技术领域，具体涉及一种基于鲁棒随机模型的光热电站最优报价决策方法。
背景技术
随着化石能源的日益枯竭，以风电、光伏、光热为代表的新能源发电技术越来越受到世界各国的重视。近些年来，全球范围内光热装机容量一直稳步增长。光热电站具有类似常规火电机组的稳定支撑能力，同时配置了以高温熔盐为导热载体的储热装置，表现出良好的可调度特性，广泛应用于电网安全稳定控制、调频、调峰等场合。
目前针对光热电站参与电网调度的优化控制方法，国内外学者已经做了很多研究，主要考虑光热电站与风电、光伏以及常规火电机组进行联合优化调度，建立含储热光热电站的确定性优化调度模型，减少风电、光伏出力的不确定性，提高日前计划的准确性，促进新能源的大规模并网。因此，光热电站的可调度能力受储热容量的限制。同时，储热装置的存在可以显著提高光热电站参与电力市场的经济效益，但是在市场报价的过程中需要考虑光热资源不确定性和市场价格波动的影响。
综上所述，虽然含储热装置光热电站的优化控制方法已经得到广泛关注，但是由于我国电力市场建设进程较为缓慢，关于光热电站报价决策方面的研究较为稀缺，且在应对光资源不确定性和电力市场价格波动性上仍存在明显不足。因此，我们在现有研究的基础上，提出一种基于鲁棒随机模型的光热电站最优报价决策方法，引入鲁棒优化和场景模拟的方法处理报价过程的不确定性，在确保光热电站有功出力计划的基础上最大化其参与电力市场竞争的预期收益。
发明内容
针对现有技术的不足，本发明的目的是提供一种基于鲁棒随机模型的光热电站最优报价决策方法，充分考虑光热转换过程的不确定性和市场价格的随机波动性，为光热电站参与电力市场报价决策提供参考。
为实现上述目的，本发明采用的技术方案为：
一种基于鲁棒随机模型的光热电站最优报价决策方法，包括以下步骤：
S1，获取光热电站并网发电的相关技术参数；
S2，计算光资源和售电电价一定情况下光热电站的预期收益；
S3，利用场景模拟和鲁棒优化的方法处理光热电站响应的不确定因素；
S4，考虑光热转换过程的不确定性和市场价格的随机波动性，构建不确定性场景下的光热发电鲁棒性随机优化模型；
S5，求解得到不同鲁棒系数和置信水平下光热电站的最优报价曲线，并计算最优报价决策下的预期收益。
进一步的，所述S1包括以下步骤：
S101，获取光热电站发电部分的基本参数，包括用于发电的热功率限值
Figure BDA0002547079010000021
和
Figure BDA0002547079010000022
制热发电效率η1和最大发电功率Pmax；
S102，获取光热电站储热部分的基本参数，包括储热量的限值
Figure BDA0002547079010000023
和
Figure BDA0002547079010000024
光热储热效率η2、放热发电效率η3、储热的爬坡限值
Figure BDA0002547079010000025
和放热的爬坡限值
Figure BDA0002547079010000026
S103，待优化的光热电站基本运行变量，包括光热电站在t时刻的发电功率Pt、制热发电功率
Figure BDA0002547079010000027
制热储热功率
Figure BDA0002547079010000028
储热量
Figure BDA0002547079010000029
等。
进一步的，所述S2包括以下步骤：
S201，预测各时段光辐射能一定时通过光热转换得到的热能为Qt，各时段的售电电价为πt；
S202，建立光资源和售电电价一定情况下光热电站的最优响应模型；
目标函数为光热电站出售电力获得的收益最大：
Figure BDA0002547079010000031
式中：NT表示所有的报价时段；
目标函数的约束条件可分为等式约束和不等式约束；
①等式约束包括：
Figure BDA0002547079010000032
Figure BDA0002547079010000033
其中，式(2)表示光热电站的发电功率满足的等式约束，由制热发电功率和放热发电功率共同满足；式(3)表示储热量受储热功率和放热功率的约束；
式中：Δt为一个调度周期内的调度计划时间步长；
②不等式约束可表示为：
Figure BDA0002547079010000034
Figure BDA0002547079010000035
Figure BDA0002547079010000036
其中，式(4)表示光热转换过程的能量约束，式(5)表示发电部分满足的不等式约束，式(6)表示储热部分满足的不等式约束；
式中：Pmax为光热电站的额定功率，即最大发电功率；
S203，求解最优响应模型，得到光热电站在光资源和售电电价一定情况下预期收益。
进一步的，所述得Δt为15min或60min。
进一步的，所述S3包括以下步骤：
S301，利用鲁棒优化方法处理光热转换过程的不确定性，把t时段内光热电站捕获的热能处理成一个随机变量
Figure BDA0002547079010000041
落在区间[Qt-σd，Qt+σd]范围内；
S302，由于S202中仅不等式(4)右端出现了不确定性参数，结合鲁棒优化理论，式(4)可以处理为其对偶形式：
Figure BDA0002547079010000042
式中，Γt表示引入的鲁棒性系数，取值范围为[0，1]；Zt、qt和y表示等价转换过程中引入的辅助决策变量，无具体物理意义；
Figure BDA0002547079010000043
表示所有的报价时段t内都满足该式；
S303，采用场景模拟技术处理市场价格的随机波动特性，形成典型场景；认为t时刻售电电价落在某一场景下的概率为ps，售电电价扩展为一个二维变量πt,s，预设的场景总数为NS；相应地，其他变量扩展到三维空间内变动。
进一步的，所述的σd为预测偏差，σd≥0表示一定置信水平下捕获热能与预测均值的对应偏差。
进一步的，所述的Γt表示引入的鲁棒性系数，取值范围为[0，1]，如果预测偏差σd为零，Γt取值为零，上式转化为确定性约束公式(4)。
进一步的，所述S4的步骤为：
考虑光热生产的不确定性和市场价格的随机波动特性，构建鲁棒性随机优化模型；目标函数为综合考虑多种市场价格概率场景下光热电站的预期收益最大化，可等效表示为：
Figure BDA0002547079010000051
约束条件均为式(2)、式(3)、式(5)、式(6)和式(7)的多维扩展，等式约束和不等式约束条件可以归一化为：
Figure BDA0002547079010000052
式中，
Figure BDA0002547079010000053
表示由光热电站基本运行变量和等价转换引入辅助决策变量构成的待优化决策向量，xi,max和xi,min分别表示第i个决策变量取值的上限和下限；Γt,s表示扩展后的鲁棒性系数。
进一步的，所述S5包括以下步骤：
S501，求解t时段内多个售电价格πt,s场景下的最优发电计划Pt,s，形成阶梯递增的最优报价曲线；
S502，调整鲁棒系数Γt,s和置信水平σd，s的大小，观察并分析光热电站最优报价变化规律。
本发明提供一种基于鲁棒随机模型的光热电站最优报价决策方法，通过获取光热电站并网发电的相关技术参数；计算光资源和售电电价一定情况下光热电站的预期收益；利用场景模拟和鲁棒优化的方法处理光热电站响应的不确定因素；考虑光热转换过程的不确定性和市场价格的随机波动性，构建不确定性场景下的光热发电鲁棒性随机优化模型；求解得到不同鲁棒系数和置信水平下光热电站的最优报价曲线，并计算最优报价决策下的预期收益。
本发明提供的方法分别用场景模拟和鲁棒优化的方法处理光热转换过程的不确定性和市场价格的随机波动特性，优化光热电站的报价曲线，最大化光热电站参与电力市场报价竞争的预期利润。
本发明提供一种基于鲁棒随机模型的光热电站最优报价决策方法，利用提出的光热电站报价优化决策方法，充分利用光热电站的储热功能，在发电资源稀缺的时候争取高价，在发电资源丰富的时候争取上网电量，预期收益相比单一售价方式有了很大提高。
本发明提供一种基于鲁棒随机模型的光热电站最优报价决策方法中，考虑报价过程中不确定因素后的鲁棒优化决策方法有助于提高光热电站的预期收益。对光热电站最优报价决策方法确定有效。
与现有技术相比，本发明提供的一种基于鲁棒随机模型的光热电站最优报价决策方法的优点：
(1)综合考虑多种影响因素，结果可靠。
(2)有效提高光热电站的预期收益。
(3)协调了系统的保守性和经济性。
附图说明
图1是本发明提供的一种基于鲁棒随机模型的光热电站最优报价决策方法流程图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案，以下实施例对本发明的作进一步详细描述，以下实施例仅用于说明发明，但不用来限制本发明的范围。
一种基于鲁棒随机模型的光热电站最优报价决策方法，包括以下步骤：
S1，获取光热电站并网发电的相关技术参数；
S2，计算光资源和售电电价一定情况下光热电站的预期收益；
S3，利用场景模拟和鲁棒优化的方法处理光热电站响应的不确定因素；
S4，考虑光热转换过程的不确定性和市场价格的随机波动性，构建不确定性场景下的光热发电鲁棒性随机优化模型；
S5，求解得到不同鲁棒系数和置信水平下光热电站的最优报价曲线，并计算最优报价决策下的预期收益。
进一步的，所述S1包括以下步骤：
S101，获取光热电站发电部分的基本参数，包括用于发电的热功率限值
Figure BDA0002547079010000071
和
Figure BDA0002547079010000072
制热发电效率η1和最大发电功率Pmax；
S102，获取光热电站储热部分的基本参数，包括储热量的限值
Figure BDA0002547079010000073
和
Figure BDA0002547079010000074
光热储热效率η2、放热发电效率η3、储热的爬坡限值
Figure BDA0002547079010000075
和放热的爬坡限值
Figure BDA0002547079010000076
S103，待优化的光热电站基本运行变量，包括光热电站在t时刻的发电功率Pt、制热发电功率
Figure BDA0002547079010000077
制热储热功率
Figure BDA0002547079010000078
储热量
Figure BDA0002547079010000079
等。
进一步的，所述S2包括以下步骤：
S201，预测各时段光辐射能一定时通过光热转换得到的热能为Qt，各时段的售电电价为πt；
S202，建立光资源和售电电价一定情况下光热电站的最优响应模型；
目标函数为光热电站出售电力获得的收益最大：
Figure BDA0002547079010000081
式中：NT表示所有的报价时段；
目标函数的约束条件可分为等式约束和不等式约束；
①等式约束包括：
Figure BDA0002547079010000082
Figure BDA0002547079010000083
其中，式(2)表示光热电站的发电功率满足的等式约束，由制热发电功率和放热发电功率共同满足；式(3)表示储热量受储热功率和放热功率的约束；
式中：Δt为一个调度周期内的调度计划时间步长；
②不等式约束可表示为：
Figure BDA0002547079010000084
Figure BDA0002547079010000085
Figure BDA0002547079010000086
其中，式(4)表示光热转换过程的能量约束，式(5)表示发电部分满足的不等式约束，式(6)表示储热部分满足的不等式约束；
式中：Pmax为光热电站的额定功率，即最大发电功率；
S203，求解最优响应模型，得到光热电站在光资源和售电电价一定情况下预期收益。
进一步的，所述得Δt为15min或60min。
进一步的，所述S3包括以下步骤：
S301，利用鲁棒优化方法处理光热转换过程的不确定性，把t时段内光热电站捕获的热能处理成一个随机变量
Figure BDA0002547079010000091
落在区间[Qt-σd，Qt+σd]范围内；
S302，由于S202中仅不等式(4)右端出现了不确定性参数，结合鲁棒优化理论，式(4)可以处理为其对偶形式：
Figure BDA0002547079010000092
式中，Γt表示引入的鲁棒性系数，取值范围为[0，1]；Zt、qt和y表示等价转换过程中引入的辅助决策变量，无具体物理意义；
Figure BDA0002547079010000093
表示所有的报价时段t内都满足该式；
S303，采用场景模拟技术处理市场价格的随机波动特性，形成典型场景；认为t时刻售电电价落在某一场景下的概率为ps，售电电价扩展为一个二维变量πt,s，预设的场景总数为NS；相应地，其他变量扩展到三维空间内变动。
进一步的，所述的σd为预测偏差，σd≥0表示一定置信水平下捕获热能与预测均值的对应偏差。
进一步的，所述的Γt表示引入的鲁棒性系数，取值范围为[0，1]，如果预测偏差σd为零，Γt取值为零，上式转化为确定性约束公式(4)。
进一步的，所述S4的步骤为：
考虑光热生产的不确定性和市场价格的随机波动特性，构建鲁棒性随机优化模型；目标函数为综合考虑多种市场价格概率场景下光热电站的预期收益最大化，可等效表示为：
Figure BDA0002547079010000101
约束条件均为式(2)、式(3)、式(5)、式(6)和式(7)的多维扩展，等式约束和不等式约束条件可以归一化为：
Figure BDA0002547079010000102
式中，
Figure BDA0002547079010000103
表示由光热电站基本运行变量和等价转换引入辅助决策变量构成的待优化决策向量，xi,max和xi,min分别表示第i个决策变量取值的上限和下限；Γt,s表示扩展后的鲁棒性系数。
进一步的，所述S5包括以下步骤：
S501，求解t时段内多个售电价格πt,s场景下的最优发电计划Pt,s，形成阶梯递增的最优报价曲线；
S502，调整鲁棒系数Γt,s和置信水平σd，s的大小，观察并分析光热电站最优报价变化规律。
实施例1
结合图1所示，一种基于鲁棒随机模型的光热电站最优报价决策方法，包括以下步骤：
S1，获取光热电站并网发电的相关技术参数；
S2，计算光资源和售电电价一定情况下光热电站的预期收益；
S3，利用场景模拟和鲁棒优化的方法处理光热电站响应的不确定因素；
S4，考虑光热转换过程的不确定性和市场价格的随机波动性，构建不确定性场景下的光热发电鲁棒性随机优化模型；
S5，求解得到不同鲁棒系数和置信水平下光热电站的最优报价曲线，并计算最优报价决策下的预期收益。
进一步的，所述S1包括以下步骤：
S101，获取光热电站发电部分的基本参数，包括用于发电的热功率限值
Figure BDA0002547079010000111
和
Figure BDA0002547079010000112
制热发电效率η1和最大发电功率Pmax；
S102，获取光热电站储热部分的基本参数，包括储热量的限值
Figure BDA0002547079010000113
和
Figure BDA0002547079010000114
光热储热效率η2、放热发电效率η3、储热的爬坡限值
Figure BDA0002547079010000115
和放热的爬坡限值
Figure BDA0002547079010000116
S103，待优化的光热电站基本运行变量，包括光热电站在t时刻的发电功率Pt、制热发电功率
Figure BDA0002547079010000117
制热储热功率
Figure BDA0002547079010000118
储热量
Figure BDA0002547079010000119
等。
进一步的，所述S2包括以下步骤：
S201，预测各时段光辐射能一定时通过光热转换得到的热能为Qt，各时段的售电电价为πt；
S202，建立光资源和售电电价一定情况下光热电站的最优响应模型；
目标函数为光热电站出售电力获得的收益最大：
Figure BDA00025470790100001110
式中：NT表示所有的报价时段；
目标函数的约束条件可分为等式约束和不等式约束；
①等式约束包括：
Figure BDA0002547079010000121
Figure BDA0002547079010000122
其中，式(2)表示光热电站的发电功率满足的等式约束，由制热发电功率和放热发电功率共同满足；式(3)表示储热量受储热功率和放热功率的约束；
式中：Δt为一个调度周期内的调度计划时间步长；
②不等式约束可表示为：
Figure BDA0002547079010000123
Figure BDA0002547079010000124
Figure BDA0002547079010000125
其中，式(4)表示光热转换过程的能量约束，式(5)表示发电部分满足的不等式约束，式(6)表示储热部分满足的不等式约束；
式中：Pmax为光热电站的额定功率，即最大发电功率；
S203，求解最优响应模型，得到光热电站在光资源和售电电价一定情况下预期收益。
进一步的，所述得Δt为15min或60min。
进一步的，所述S3包括以下步骤：
S301，利用鲁棒优化方法处理光热转换过程的不确定性，把t时段内光热电站捕获的热能处理成一个随机变量
Figure BDA0002547079010000131
落在区间[Qt-σd，Qt+σd]范围内；
S302，由于S202中仅不等式(4)右端出现了不确定性参数，结合鲁棒优化理论，式(4)可以处理为其对偶形式：
Figure BDA0002547079010000132
式中，Γt表示引入的鲁棒性系数，取值范围为[0，1]；Zt、qt和y表示等价转换过程中引入的辅助决策变量，无具体物理意义；
Figure BDA0002547079010000133
表示所有的报价时段t内都满足该式；
S303，采用场景模拟技术处理市场价格的随机波动特性，形成典型场景；认为t时刻售电电价落在某一场景下的概率为ps，售电电价扩展为一个二维变量πt,s，预设的场景总数为NS；相应地，其他变量扩展到三维空间内变动。
进一步的，所述的σd为预测偏差，σd≥0表示一定置信水平下捕获热能与预测均值的对应偏差。
进一步的，所述的Γt表示引入的鲁棒性系数，取值范围为[0，1]，如果预测偏差σd为零，Γt取值为零，上式转化为确定性约束公式(4)。
进一步的，所述S4的步骤为：
考虑光热生产的不确定性和市场价格的随机波动特性，构建鲁棒性随机优化模型；目标函数为综合考虑多种市场价格概率场景下光热电站的预期收益最大化，可等效表示为：
Figure BDA0002547079010000134
约束条件均为式(2)、式(3)、式(5)、式(6)和式(7)的多维扩展，等式约束和不等式约束条件可以归一化为：
Figure BDA0002547079010000141
式中，
Figure BDA0002547079010000142
表示由光热电站基本运行变量和等价转换引入辅助决策变量构成的待优化决策向量，xi,max和xi,min分别表示第i个决策变量取值的上限和下限；Γt,s表示扩展后的鲁棒性系数。
进一步的，所述S5包括以下步骤：
S501，求解t时段内多个售电价格πt,s场景下的最优发电计划Pt,s，形成阶梯递增的最优报价曲线；
S502，调整鲁棒系数Γt,s和置信水平σd，s的大小，观察并分析光热电站最优报价变化规律。
实施例2
结合图1所示，一种基于鲁棒随机模型的光热电站最优报价决策方法。
某太阳能塔式光热电站的技术数据列于表1。为了充分利用太阳能资源，假定光场的热容量足够大，使得太阳辐射最强的时段内，光热电站可以全功率运行，同时把富余的热能储存到储热装置中。设t＝0时刻光热电站的初始储热量为350MWh，此时光热功率为零。以此为例，本发明提供的一种基于鲁棒随机模型的光热电站最优报价决策方法：
S1：获取光热电站并网发电的相关技术参数；
收集并整理光热电站并网发电相关的技术参数，包括发电部分和储热部分的基本参数，列于下表：
表1光热电站并网发电的技术参数
Figure BDA0002547079010000151
S2：计算光资源和售电电价一定情况下光热电站的预期收益；
预测夏季典型日下光辐射能转化为热能的平均功率，如下表所示：
表2典型日逐时预测光热功率值
时段/t 光热功率/MW 时段/t 光热功率/MW
1-6 0 14 150
7 30 15 150
8 90 16 140
9 150 17 150
10 150 18 150
11 150 19 100
12 100 20 60
13 130 21-24 0
预测平均出清电价为345.7元/MWh，在光资源和售电电价一定的前提下，建立并求解光热电站的最优响应模型，得到光热电站的最优出力计划如下表所示：
表3确定性条件下光热电站的最优出力计划
时段/t 1-10 11-14 15-18 19-24
出力/MW 20 50 45 25
求得此情况下，光热电站的预期收益为25.24万元。
S3：利用场景模拟和鲁棒优化的方法处理光热电站响应的不确定因素；
考虑市场价格的随机波动特性，利用来自某省电力市场的历史出清电价数据，拟合出一个典型市场电价场景，逐时预测电价数据如下表所示：
表3典型场景下逐时市场电价预测数据
时段/t 0 1 2 3 4 5 6 7 8 9 10 11
电价/元·MWh<sup>-1</sup> 355 353 358 355 353 348 345 341 348 360 363 370
时段/t 12 13 14 15 16 17 18 19 20 21 22 23
电价/元·MWh<sup>-1</sup> 364 358 351 348 352 365 376 380 385 378 376 364
考虑光辐射能的随机波动特性，鲁棒性参数Γt的值被固定为等于1，以获得最保守的解集。逐时平均光热功率的预测偏差如下表所示：
表4典型日逐时光热能量预测数据
时段/t 预测偏差/MW 时段/t 预测偏差/MW
1-6 0 14 30
7 20 15 30
8 50 16 30
9 50 17 30
10 40 18 40
11 30 19 50
12 30 20 50
13 30 21-24 0
S4：考虑光热转换过程的不确定性和市场价格的随机波动性，构建不确定性场景下的光热发电鲁棒性随机优化模型；
考虑光资源的不确定性，求得光热电站的最优出力计划和阶梯报价情况如下表所示：
表5考虑光资源不确定性条件下光热电站的最优出力计划
时段/t 1-10 11-12 13-14 15-18 19-24
出力/MW 20 28 42 45 50
报价/元 380.1 372.3 347.2 345.7 345.5
求得此情况下，光热电站的预期收益为29.18万元。
S5：求解得到不同鲁棒系数和置信水平下光热电站的最优报价曲线，并计算最优报价决策下的预期收益。
求解不同鲁棒系数和置信水平下光热电站的最优报价曲线，并计算该情况下的预期收益，如下表所示：
表6不同鲁棒系数和置信水平最优报价决策下光热电站的预期收益
场景 鲁棒系数 置信水平 预期收益/万元
1 1.0 0.50 29.18
2 0.8 0.42 28.64
3 0.6 0.35 27.81
4 0.4 0.27 26.58
5 0.2 0.21 25.36
6 0 0.16 25.24
对照表3和表5结果可知，利用提出的光热电站报价优化决策方法，充分利用光热电站的储热功能，在发电资源稀缺的时候争取高价，在发电资源丰富的时候争取上网电量，预期收益相比单一售价方式有了很大提高。同时，由表6可知，鲁棒系数的取值越小，最优报价决策下光热电站的预期收益约接近确定条件下的结果，说明考虑报价过程中不确定因素后的鲁棒优化决策方法有助于提高光热电站的预期收益。因此，证明了本文所提的一种基于鲁棒随机模型的光热电站最优报价决策方法的有效性。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种变换，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征和步骤，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (9)

1.一种基于鲁棒随机模型的光热电站最优报价决策方法，其特征在于，所述光热电站最优报价决策方法包括以下步骤：
S1，获取光热电站并网发电的相关技术参数；
S2，计算光资源和售电电价一定情况下光热电站的预期收益；
S3，利用场景模拟和鲁棒优化的方法处理光热电站响应的不确定因素；
S4，考虑光热转换过程的不确定性和市场价格的随机波动性，构建不确定性场景下的光热发电鲁棒性随机优化模型；
S5，求解得到不同鲁棒系数和置信水平下光热电站的最优报价曲线，并计算最优报价决策下的预期收益。
2.根据权利要求1所述的基于鲁棒随机模型的光热电站最优报价决策方法，其特征在于，所述S1包括以下步骤：
S101，获取光热电站发电部分的基本参数，包括用于发电的热功率限值
Figure FDA0002547078000000011
和
Figure FDA0002547078000000012
制热发电效率η1和最大发电功率Pmax；
S102，获取光热电站储热部分的基本参数，包括储热量的限值
Figure FDA0002547078000000013
和
Figure FDA0002547078000000014
光热储热效率η2、放热发电效率η3、储热的爬坡限值
Figure FDA0002547078000000015
和放热的爬坡限值
Figure FDA0002547078000000016
S103，待优化的光热电站基本运行变量，包括光热电站在t时刻的发电功率Pt、制热发电功率
Figure FDA0002547078000000017
制热储热功率
Figure FDA0002547078000000018
储热量
Figure FDA0002547078000000019
等。
3.根据权利要求1所述基于鲁棒随机模型的光热电站最优报价决策方法，其特征在于，所述S2包括以下步骤：
S201，预测各时段光辐射能一定时通过光热转换得到的热能为Qt，各时段的售电电价为πt；
S202，建立光资源和售电电价一定情况下光热电站的最优响应模型；
目标函数为光热电站出售电力获得的收益最大：
Figure FDA0002547078000000021
式中：NT表示所有的报价时段；
目标函数的约束条件可分为等式约束和不等式约束；
①等式约束包括：
Figure FDA0002547078000000022
Figure FDA0002547078000000023
其中，式(2)表示光热电站的发电功率满足的等式约束，由制热发电功率和放热发电功率共同满足；式(3)表示储热量受储热功率和放热功率的约束；
式中：Δt为一个调度周期内的调度计划时间步长；
②不等式约束可表示为：
Figure FDA0002547078000000024
Figure FDA0002547078000000025
Figure FDA0002547078000000026
其中，式(4)表示光热转换过程的能量约束，式(5)表示发电部分满足的不等式约束，式(6)表示储热部分满足的不等式约束；
式中：Pmax为光热电站的额定功率，即最大发电功率；
S203，求解最优响应模型，得到光热电站在光资源和售电电价一定情况下预期收益。
4.根据权利要求3所述基于鲁棒随机模型的光热电站最优报价决策方法，其特征在于：所述的Δt为15min或60min。
5.根据权利要求1所述基于鲁棒随机模型的光热电站最优报价决策方法，其特征在于，所述S3包括以下步骤：
S301，利用鲁棒优化方法处理光热转换过程的不确定性，把t时段内光热电站捕获的热能处理成一个随机变量
Figure FDA0002547078000000031
落在区间[Qt-σd，Qt+σd]范围内；
S302，由于S202中仅不等式(4)右端出现了不确定性参数，结合鲁棒优化理论，式(4)可以处理为其对偶形式：
Figure FDA0002547078000000032
式中，Γt表示引入的鲁棒性系数，取值范围为[0，1]；Zt、qt和y表示等价转换过程中引入的辅助决策变量，无具体物理意义；
Figure FDA0002547078000000033
表示所有的报价时段t内都满足该式；
S303，采用场景模拟技术处理市场价格的随机波动特性，形成典型场景；认为t时刻售电电价落在某一场景下的概率为ps，售电电价扩展为一个二维变量πt,s，预设的场景总数为NS；相应地，其他变量扩展到三维空间内变动。
6.根据权利要求5所述基于鲁棒随机模型的光热电站最优报价决策方法，其特征在于：所述的σd为预测偏差，σd≥0表示一定置信水平下捕获热能与预测均值的对应偏差。
7.根据权利要求5所述基于鲁棒随机模型的光热电站最优报价决策方法，其特征在于：所述的Γt表示引入的鲁棒性系数，取值范围为[0，1]，如果预测偏差σd为零，Γt取值为零，上式转化为确定性约束公式(4)。
8.根据权利要求1所述基于鲁棒随机模型的光热电站最优报价决策方法，其特征在于，所述S4的步骤为：
考虑光热生产的不确定性和市场价格的随机波动特性，构建鲁棒性随机优化模型；目标函数为综合考虑多种市场价格概率场景下光热电站的预期收益最大化，可等效表示为：
Figure FDA0002547078000000041
约束条件均为式(2)、式(3)、式(5)、式(6)和式(7)的多维扩展，等式约束和不等式约束条件可以归一化为：
Figure FDA0002547078000000042
式中，
Figure FDA0002547078000000043
表示由光热电站基本运行变量和等价转换引入辅助决策变量构成的待优化决策向量，xi,max和xi,min分别表示第i个决策变量取值的上限和下限；Γt,s表示扩展后的鲁棒性系数。
9.根据权利要求1所述基于鲁棒随机模型的光热电站最优报价决策方法，其特征在于，所述S5包括以下步骤：
S501，求解t时段内多个售电价格πt,s场景下的最优发电计划Pt,s，形成阶梯递增的最优报价曲线；
S502，调整鲁棒系数Γt,s和置信水平σd，s的大小，观察并分析光热电站最优报价变化规律。
CN202010563779.3A 2020-06-19 2020-06-19 一种基于鲁棒随机模型的光热电站最优报价决策方法 Active CN111740408B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010563779.3A CN111740408B (zh) 2020-06-19 2020-06-19 一种基于鲁棒随机模型的光热电站最优报价决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010563779.3A CN111740408B (zh) 2020-06-19 2020-06-19 一种基于鲁棒随机模型的光热电站最优报价决策方法

Publications (2)

Publication Number Publication Date
CN111740408A true CN111740408A (zh) 2020-10-02
CN111740408B CN111740408B (zh) 2023-03-14

Family

ID=72650216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010563779.3A Active CN111740408B (zh) 2020-06-19 2020-06-19 一种基于鲁棒随机模型的光热电站最优报价决策方法

Country Status (1)

Country Link
CN (1) CN111740408B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159835A (zh) * 2021-04-07 2021-07-23 远光软件股份有限公司 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备
CN113437744A (zh) * 2021-06-09 2021-09-24 河海大学 考虑不确定性的光热-生物质混合电站鲁棒优化调度模型
CN115600761A (zh) * 2022-11-09 2023-01-13 山东大学（Cn） 考虑不确定性因素的综合能源生产单元自调度方法和系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108023367A (zh) * 2017-07-12 2018-05-11 甘肃省电力公司风电技术中心 一种含光热发电的混合电力系统负荷频率控制方法
JP6369965B1 (ja) * 2018-02-01 2018-08-08 山田和幸株式会社 電力供給方法、情報処理プログラム及び電力供給装置
CN108428013A (zh) * 2018-03-19 2018-08-21 广东电网有限责任公司电力科学研究院 一种含热储能的光热电站多市场鲁棒投标方法
CN109727158A (zh) * 2019-01-25 2019-05-07 燕山大学 一种基于改进弱鲁棒优化的电热综合能源系统调度方法
CN109934470A (zh) * 2019-02-27 2019-06-25 上海交通大学 聚合大规模空调负荷的信息物理建模与控制方法
WO2019165701A1 (zh) * 2018-02-28 2019-09-06 东南大学 一种交直流混联微网的随机鲁棒耦合型优化调度方法
CN110322056A (zh) * 2019-06-19 2019-10-11 河海大学 一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法
CN110443467A (zh) * 2019-07-18 2019-11-12 天津大学 一种区域综合能源系统太阳能消纳能力评估方法
CN110910047A (zh) * 2019-12-07 2020-03-24 国家电网有限公司 一种电热耦合微能源站随机调度优化方法
US20200176989A1 (en) * 2018-11-29 2020-06-04 State Grid Jiangsu Electric Power Co., Ltd Nanjing Power Supply Company Method and apparatus for smoothing link-line power of electrothermal microgrid using thermal storage heat pump
US20200176986A1 (en) * 2018-11-30 2020-06-04 Midcontinent Independent System Operator, Inc. Systems And Methods For Managing Energy Storing Resources Of An Electrical Power Grid

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108023367A (zh) * 2017-07-12 2018-05-11 甘肃省电力公司风电技术中心 一种含光热发电的混合电力系统负荷频率控制方法
JP6369965B1 (ja) * 2018-02-01 2018-08-08 山田和幸株式会社 電力供給方法、情報処理プログラム及び電力供給装置
WO2019165701A1 (zh) * 2018-02-28 2019-09-06 东南大学 一种交直流混联微网的随机鲁棒耦合型优化调度方法
CN108428013A (zh) * 2018-03-19 2018-08-21 广东电网有限责任公司电力科学研究院 一种含热储能的光热电站多市场鲁棒投标方法
US20200176989A1 (en) * 2018-11-29 2020-06-04 State Grid Jiangsu Electric Power Co., Ltd Nanjing Power Supply Company Method and apparatus for smoothing link-line power of electrothermal microgrid using thermal storage heat pump
US20200176986A1 (en) * 2018-11-30 2020-06-04 Midcontinent Independent System Operator, Inc. Systems And Methods For Managing Energy Storing Resources Of An Electrical Power Grid
CN109727158A (zh) * 2019-01-25 2019-05-07 燕山大学 一种基于改进弱鲁棒优化的电热综合能源系统调度方法
CN109934470A (zh) * 2019-02-27 2019-06-25 上海交通大学 聚合大规模空调负荷的信息物理建模与控制方法
CN110322056A (zh) * 2019-06-19 2019-10-11 河海大学 一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法
CN110443467A (zh) * 2019-07-18 2019-11-12 天津大学 一种区域综合能源系统太阳能消纳能力评估方法
CN110910047A (zh) * 2019-12-07 2020-03-24 国家电网有限公司 一种电热耦合微能源站随机调度优化方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159835A (zh) * 2021-04-07 2021-07-23 远光软件股份有限公司 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备
CN113159835B (zh) * 2021-04-07 2023-02-28 远光软件股份有限公司 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备
CN113437744A (zh) * 2021-06-09 2021-09-24 河海大学 考虑不确定性的光热-生物质混合电站鲁棒优化调度模型
CN115600761A (zh) * 2022-11-09 2023-01-13 山东大学（Cn） 考虑不确定性因素的综合能源生产单元自调度方法和系统

Also Published As

Publication number Publication date
CN111740408B (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
CN111740408B (zh) 一种基于鲁棒随机模型的光热电站最优报价决策方法
CN110571867B (zh) 一种计及风电不确定性的虚拟电厂日前优化调度系统方法
CN113095791B (zh) 一种综合能源系统运行方法及系统
CN108229865A (zh) 一种基于碳交易的电热气综合能源系统低碳经济调度方法
CN108009693A (zh) 基于两级需求响应的并网微电网双层优化方法
CN109586284B (zh) 考虑弃能约束的送端电力系统随机生产模拟方法及应用
CN111445107A (zh) 冷热电联供型微电网多目标优化配置方法
Kong et al. Optimization of the hybrid solar power plants comprising photovoltaic and concentrating solar power using the butterfly algorithm
CN114330827B (zh) 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用
CN111325395A (zh) 一种光热电站参与调节的多时间尺度源源优化调度方法
Song et al. A fuzzy‐based multi‐objective robust optimization model for a regional hybrid energy system considering uncertainty
Xiao et al. A multi‐energy complementary coordinated dispatch method for integrated system of wind‐photovoltaic‐hydro‐thermal‐energy storage
CN111682531A (zh) 基于pl-imocs的风光水火一次能源互补短期优化调度方法和装置
CN115577929A (zh) 基于多场景分析的乡村综合能源系统随机优化调度方法
CN115640902A (zh) 计及碳价不确定性的园区综合能源系统低碳优化调度方法
CN111585279A (zh) 一种基于新能源消纳的微电网优化调度方法
CN112883630A (zh) 用于风电消纳的多微网系统日前优化经济调度方法
CN110119850B (zh) 基于光热发电调节的储热量双阶段优化调度方法
CN116050637A (zh) 基于分时电价的综合能源虚拟电厂优化调度方法及系统
CN116706869A (zh) 一种用于区域电网供需平衡场景的预测方法及装置
CN116191493A (zh) 一种火电机组深度调峰和复合储能协同规划方法与装置
CN115765034A (zh) 一种光热-光伏-火电联合协同控制方法及系统
CN115276088A (zh) 一种联合发电系统中光热电站储热容量优化配置方法
CN110472364B (zh) 一种考虑可再生能源的离网式热电气联产系统的优化方法
CN113673156A (zh) 适应全可再生能源基地多场景的光热发电容量优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Li Luo

Inventor after: Li Xing

Inventor after: Yue Chao

Inventor after: Lei Xiaoling

Inventor after: Zhu Ziqi

Inventor after: Li Meiling

Inventor after: Zhang Wensong

Inventor after: Qi Qiumin

Inventor after: Ma Wenguang

Inventor after: Zhang Lijuan

Inventor after: Wang Zhenghui

Inventor after: Li Xin

Inventor before: Zhu Ziqi

Inventor before: Li Xing

Inventor before: Yue Chao

Inventor before: Lei Xiaoling

Inventor before: Li Meiling

Inventor before: Zhang Wensong

Inventor before: Qi Qiumin

Inventor before: Ma Wenguang

Inventor before: Zhang Lijuan

Inventor before: Wang Zhenghui

Inventor before: Li Xin

Inventor before: Li Luo

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant